自動(dòng)駕駛虛擬測(cè)試場(chǎng)景構(gòu)建方法評(píng)價(jià)及適用性分析

徐家正 王景升

中國(guó)人民公安大學(xué)交通管理學(xué)院，北京 100038

道路交通和汽車的快速發(fā)展為人們的生活和出行提供了極大的便利，促進(jìn)了社會(huì)經(jīng)濟(jì)發(fā)展，但由此產(chǎn)生的交通安全事故和城市污染問(wèn)題也愈發(fā)嚴(yán)重。21 世紀(jì)以來(lái)，在世界范圍內(nèi)，道路交通事故每年造成約135 萬(wàn)人死亡，5000 萬(wàn)人受傷，造成直接經(jīng)濟(jì)損失約5180億美元。隨著人工智能技術(shù)的迅速發(fā)展，以自動(dòng)駕駛為核心的智能汽車技術(shù)可以有效地解決上述問(wèn)題。但在自動(dòng)駕駛車輛投入大規(guī)模生產(chǎn)前，如何確保自動(dòng)駕駛車輛足夠安全可靠是一個(gè)亟待解決的關(guān)鍵問(wèn)題。在此背景下，基于場(chǎng)景的虛擬測(cè)試能夠有效加速自動(dòng)駕駛系統(tǒng)的研究，為解決交通相關(guān)問(wèn)題提供有效助力。

基于場(chǎng)景的虛擬測(cè)試?yán)糜?jì)算機(jī)仿真等技術(shù)，通過(guò)重構(gòu)各種道路場(chǎng)景、道路環(huán)境和車輛駕駛模型來(lái)對(duì)自動(dòng)駕駛系統(tǒng)進(jìn)行測(cè)試，能在真實(shí)道路測(cè)試前對(duì)自動(dòng)駕駛系統(tǒng)進(jìn)行大量且安全的測(cè)試，以驗(yàn)證其在不同場(chǎng)景下的性能和穩(wěn)定性，并且具備高效率、經(jīng)濟(jì)性和可控性等優(yōu)點(diǎn)，逐漸成為自動(dòng)駕駛測(cè)試的主要方式與途徑。在測(cè)試過(guò)程中，合理的測(cè)試場(chǎng)景適用能夠有效提高測(cè)試效率，而有效的測(cè)試方法評(píng)價(jià)是進(jìn)行安全性測(cè)試場(chǎng)景適用性分析的基礎(chǔ)。

安全性虛擬測(cè)試場(chǎng)景旨在測(cè)試自動(dòng)駕駛車輛的安全能力邊界，當(dāng)下自動(dòng)駕駛虛擬測(cè)試面臨著真實(shí)道路的復(fù)雜多變、場(chǎng)景構(gòu)建的要求精細(xì)以及系統(tǒng)安全邊界難以確定等困難。此外，測(cè)試中存在著虛擬測(cè)試方法測(cè)試目標(biāo)不清晰，與測(cè)試需求不適應(yīng)等問(wèn)題，從而導(dǎo)致安全性虛擬測(cè)試效率及結(jié)果置信度不高，不能很好的發(fā)揮其測(cè)試作用。因此，針對(duì)安全性虛擬測(cè)試方法進(jìn)行評(píng)價(jià)及適用性分析成為一個(gè)亟需解決且很有意義的問(wèn)題。

1 安全性虛擬測(cè)試需求分析

安全性虛擬測(cè)試為各主體提供了新的測(cè)試思路和強(qiáng)力的測(cè)試支持，但由于不同主體對(duì)于安全性測(cè)試需求不同，明確不同主體測(cè)試需求成為提高測(cè)試效率的關(guān)鍵。現(xiàn)階段各主體的安全性虛擬測(cè)試需求如表1所示。

表1 安全性虛擬測(cè)試需求分析Table1 Analysis of Safety Virtual Test Requirements

虛擬測(cè)試的關(guān)鍵在于如何構(gòu)建測(cè)試場(chǎng)景，因此針對(duì)不同主體的需求構(gòu)建相應(yīng)場(chǎng)景，有利于提高測(cè)試效率和結(jié)果置信度，理論上可以優(yōu)化測(cè)試進(jìn)程。

2 虛擬測(cè)試場(chǎng)景構(gòu)建方法分類及進(jìn)展

安全性測(cè)試旨在評(píng)估AV 在應(yīng)對(duì)不同交通情形的響應(yīng)和行為，除了常規(guī)交通情形外，重點(diǎn)檢測(cè)AV在異常情況、緊急情況及各種危險(xiǎn)情形下的應(yīng)對(duì)能力。

在自動(dòng)駕駛測(cè)試階段，安全性測(cè)試都存在由易到難、由簡(jiǎn)單到復(fù)雜的測(cè)試過(guò)程，從場(chǎng)景復(fù)雜度、任務(wù)難度等角度出發(fā)，不同的構(gòu)建方法可適用于不同難度場(chǎng)景。

2.1 場(chǎng)景構(gòu)建方法

安全性測(cè)試目標(biāo)是檢驗(yàn)AV 在不同交通情景下是否能夠準(zhǔn)確識(shí)別風(fēng)險(xiǎn)并進(jìn)行合理的路徑規(guī)劃來(lái)實(shí)現(xiàn)對(duì)其自身安全的保障。挖掘測(cè)試場(chǎng)景的重要性與場(chǎng)景參數(shù)的耦合規(guī)律，開(kāi)展測(cè)試場(chǎng)景動(dòng)靜態(tài)要素的變尺度重構(gòu)是安全性測(cè)試場(chǎng)景構(gòu)建方法的發(fā)展趨勢(shì)[1]。在此基礎(chǔ)上，本部分選取以下測(cè)試場(chǎng)景構(gòu)建方法進(jìn)行研究。

2.1.1 優(yōu)化搜索（Optimization-based Search）。優(yōu)化搜索方法基于主車行為進(jìn)行建模，調(diào)整參數(shù)并進(jìn)行故障搜索，以直接構(gòu)建違反測(cè)試需求的邊緣測(cè)試場(chǎng)景，并在循環(huán)迭代中構(gòu)建更多關(guān)鍵測(cè)試場(chǎng)景，有效地解決了冗余測(cè)試場(chǎng)景過(guò)多的問(wèn)題。如在Althofs M 等[2，3]中，研究人員構(gòu)建出復(fù)雜城市場(chǎng)景下的關(guān)鍵場(chǎng)景，并計(jì)算AV 行駛安全區(qū)域來(lái)評(píng)估這些場(chǎng)景的嚴(yán)重性；也有研究人員[4]通過(guò)一種基于優(yōu)化的方法定義具有挑戰(zhàn)性的場(chǎng)景，并對(duì)該方法的違背測(cè)試需求場(chǎng)景方面進(jìn)行詳細(xì)研究[5]。該類方法核心思想是將主車與場(chǎng)景的交互看作優(yōu)化求解問(wèn)題，因此應(yīng)考慮如何設(shè)計(jì)關(guān)鍵搜索函數(shù)和高效的優(yōu)化算法，以快速準(zhǔn)確地求解。好的搜索算法應(yīng)考慮場(chǎng)景模型、參數(shù)的選取及調(diào)整等內(nèi)容，通過(guò)找到參數(shù)分布中關(guān)鍵點(diǎn)的方式可以構(gòu)建邊緣場(chǎng)景，可以有效降低冗余場(chǎng)景數(shù)量隨場(chǎng)景參數(shù)變化而激增的風(fēng)險(xiǎn)。

優(yōu)化搜索的搜索空間（目標(biāo)函數(shù)）代表著要解決的問(wèn)題，因此要保證搜索空間的合理性。Klischat[6]等使用一個(gè)較小的安全限制范圍（搜索空間）進(jìn)行搜索，并驗(yàn)證所得路徑能否避免碰撞，為縮小搜索空間，作者使用二分搜索法改變交通參與者的初始狀態(tài)，并要求測(cè)試車輛立刻做出正確決策，該方法同時(shí)進(jìn)行了搜索空間可行性分析，并進(jìn)一步改善了優(yōu)化手段。喬僑[7]提出一種基于危險(xiǎn)分析驅(qū)動(dòng)的AV 測(cè)試場(chǎng)景構(gòu)建方法，該方法通過(guò)分析事故原因，確定關(guān)鍵影響因素并通過(guò)概率分布量化各因素范圍；采用FMECA 分析提取危險(xiǎn)場(chǎng)景、SPTA 分析確定運(yùn)行約束條件、FTA 分析進(jìn)行場(chǎng)景要素組合，并建立場(chǎng)景危險(xiǎn)邊界模型，以構(gòu)建具體測(cè)試場(chǎng)景，針對(duì)部分場(chǎng)景參數(shù)的連續(xù)化，采用基于約束的最優(yōu)化方法構(gòu)建最接近危險(xiǎn)邊界的具體測(cè)試場(chǎng)景。

此外，搜索函數(shù)的選擇對(duì)于測(cè)試也十分關(guān)鍵。Fellner[8]等借鑒快速探索隨機(jī)樹算法（RRT），提出啟發(fā)式引導(dǎo)的分支搜索算法，用于基于模型、突變驅(qū)動(dòng)的測(cè)試場(chǎng)景構(gòu)建。該算法將分支搜索與尋找模型變異值相結(jié)合，并應(yīng)用于場(chǎng)景構(gòu)建框架MoMuT 中，通過(guò)調(diào)整RRT，利用搜索數(shù)據(jù)構(gòu)建包含2300多種場(chǎng)景要素的測(cè)試場(chǎng)景，但該方法沒(méi)有合理約束模型變異的條件，影響了結(jié)果準(zhǔn)確度。

現(xiàn)有的AV 測(cè)試主要關(guān)注碰撞測(cè)試，常采用TTC等指標(biāo)作為目標(biāo)函數(shù)進(jìn)行優(yōu)化搜索，忽略了真實(shí)場(chǎng)景中多動(dòng)態(tài)因素和高交互性的特點(diǎn)，降低了場(chǎng)景維度。此外，該類方法屬于黑盒測(cè)試，AV 系統(tǒng)內(nèi)多功能間的復(fù)雜行為導(dǎo)致的故障無(wú)法被準(zhǔn)確發(fā)現(xiàn)，同時(shí)，優(yōu)化搜索函數(shù)的構(gòu)建中計(jì)算效率很重要，但更應(yīng)該關(guān)注函數(shù)的合理性，這是現(xiàn)階段研究最值得關(guān)注的問(wèn)題，結(jié)合優(yōu)化搜索的特點(diǎn)，通過(guò)分析預(yù)先縮小安全邊界，再使用高計(jì)算效率的優(yōu)化搜索算法直接構(gòu)建邊緣場(chǎng)景將是十分有效的手段。

2.1.2 聚類分析（Cluster analysis）。通過(guò)將類似的測(cè)試場(chǎng)景歸為一類，幫助自動(dòng)駕駛車輛在虛擬場(chǎng)景中更全面地進(jìn)行測(cè)試，有助于提高虛擬測(cè)試的覆蓋范圍和效率，從而更好地保證自動(dòng)駕駛車輛的安全性和穩(wěn)定性。聚類分析中挖掘自然駕駛數(shù)據(jù)中的危險(xiǎn)場(chǎng)景十分關(guān)鍵，郭柏蒼[9]等采用閘值法和人工法獲取59 例真實(shí)變道切入行為數(shù)據(jù)，并基于單因素方差、皮爾遜相關(guān)性檢驗(yàn)分別分析場(chǎng)景類型元素、連續(xù)場(chǎng)景元素對(duì)風(fēng)險(xiǎn)感知系數(shù)的影響，進(jìn)而確定與變道切入危險(xiǎn)場(chǎng)景高度相關(guān)的四類特征要素，采用基于層次聚類優(yōu)化的K-means 算法得到了四類典型變道切入場(chǎng)景，可用于驗(yàn)證AV 在危險(xiǎn)情形下的安全性。此外，聚類分析不僅可以通過(guò)場(chǎng)景要素作為聚類變量構(gòu)建特定場(chǎng)景，還能選取其他指標(biāo)充當(dāng)聚類變量。如Kruber等[10，11]采用一種基于相似度閾值的無(wú)監(jiān)督聚類方法，用于處理新的測(cè)量數(shù)據(jù)并生成新的簇，先經(jīng)無(wú)監(jiān)督聚類技術(shù)將測(cè)量數(shù)據(jù)分組成簇，在加入新測(cè)量數(shù)據(jù)時(shí)，若其相似度高于定義閾值則被分配給現(xiàn)有簇，否則創(chuàng)建一個(gè)新的簇來(lái)存放該測(cè)量數(shù)據(jù)。Watanabe[12]等則定義一種混合相似度標(biāo)準(zhǔn)，旨在量化不同類型場(chǎng)景中交通信號(hào)間的距離及其聚類中心程度，并基于此方法比較近似Kcovers 算法（分層聚類方法）和K-medoids 算法（分區(qū)聚類方法）。

此外，聚類分析難以處理邊界情況，并且對(duì)初始參數(shù)比較敏感，需要經(jīng)過(guò)反復(fù)調(diào)整和驗(yàn)證才能保證測(cè)試結(jié)果的穩(wěn)定性。

2.1.3 標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)（Standard Reinforcement Learning）。標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)通過(guò)反饋獎(jiǎng)勵(lì)來(lái)驅(qū)動(dòng)智能體與環(huán)境進(jìn)行交互，環(huán)境可以不斷強(qiáng)化智能體做出更好的決策以促進(jìn)學(xué)習(xí)過(guò)程[13]，這種不斷迭代優(yōu)化的優(yōu)勢(shì)有利于構(gòu)建挑戰(zhàn)性測(cè)試場(chǎng)。如Kochenderfer及其研究小組通過(guò)使用SRL 找到最有效的關(guān)鍵場(chǎng)景，并稱其為適應(yīng)性壓力測(cè)試[14]。現(xiàn)階段SRL 主要關(guān)注如何引入不同標(biāo)準(zhǔn)的獎(jiǎng)勵(lì)函數(shù)以構(gòu)建更復(fù)雜的場(chǎng)景，此外，強(qiáng)化學(xué)習(xí)也常與神經(jīng)網(wǎng)絡(luò)相結(jié)合，如深度強(qiáng)化學(xué)習(xí)，這樣可以處理高維數(shù)據(jù)輸入問(wèn)題[15]，同時(shí)依賴強(qiáng)化學(xué)習(xí)強(qiáng)大的搜索能力，可以依據(jù)反饋結(jié)果實(shí)時(shí)調(diào)整構(gòu)建方法。

李江坤[16]等為解決測(cè)試中邊緣場(chǎng)景概率小、風(fēng)險(xiǎn)低的問(wèn)題，利用場(chǎng)景動(dòng)力學(xué)建模和強(qiáng)化學(xué)習(xí)算法設(shè)計(jì)一個(gè)邊緣場(chǎng)景控制器，自動(dòng)構(gòu)建促使主車發(fā)生緊急制動(dòng)行為的邊緣場(chǎng)景，實(shí)驗(yàn)結(jié)果表明，構(gòu)建的場(chǎng)景可以較好地模擬真實(shí)交通中的對(duì)抗與博弈行為。馬依寧[17]等提出了一種生成模型背景車輛用于構(gòu)建自演繹虛擬測(cè)試場(chǎng)景，該方法利用強(qiáng)化學(xué)習(xí)模型和可觀測(cè)馬爾可夫決策過(guò)程來(lái)訓(xùn)練不同風(fēng)格、具有交互能力和自主決策的駕駛員模型，并按照不同比例組合，構(gòu)建出不同測(cè)試能力的自演繹場(chǎng)景。強(qiáng)化學(xué)習(xí)也常用于訓(xùn)練場(chǎng)景中的要素，Koren[18]等提出一種測(cè)試AV 決策的場(chǎng)景構(gòu)建方法，通過(guò)改變交通環(huán)境中的場(chǎng)景要素使得主車發(fā)生碰撞，并將碰撞問(wèn)題描述為馬爾可夫決策過(guò)程，分別提出基于蒙特卡羅樹搜索和強(qiáng)化學(xué)習(xí)兩種方案（步驟見(jiàn)圖1），以構(gòu)建最可能發(fā)生碰撞的事故場(chǎng)景，結(jié)果表明強(qiáng)化學(xué)習(xí)可以通過(guò)調(diào)整更少的參數(shù)構(gòu)建更多的事故場(chǎng)景。

圖1 強(qiáng)化學(xué)習(xí)方案Figure 1 Reinforcement learning program

標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)具有很多優(yōu)勢(shì)，構(gòu)建的場(chǎng)景交互性較好，但存在易構(gòu)建重復(fù)性高、無(wú)意義的場(chǎng)景等問(wèn)題，并且測(cè)試效率較低、不具備針對(duì)性，此外，在高維空間和復(fù)雜環(huán)境下計(jì)算數(shù)據(jù)困難，構(gòu)建的場(chǎng)景可解釋性也較差，難以用于分析AV的決策過(guò)程和表現(xiàn)性能。

2.1.4 對(duì)抗性強(qiáng)化學(xué)習(xí)（Adversarial Reinforcement Learning）。在測(cè)試場(chǎng)景中,標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)（SRL）通常讓被測(cè)車輛與環(huán)境進(jìn)行交互，學(xué)習(xí)安全駕駛行為，對(duì)抗性強(qiáng)化學(xué)習(xí)則主動(dòng)引入對(duì)抗對(duì)象以構(gòu)建危險(xiǎn)或困難的場(chǎng)景，使智能體需要適應(yīng)惡劣場(chǎng)景并提高駕駛水平。該方法側(cè)重于調(diào)整測(cè)試場(chǎng)景配置對(duì)測(cè)試進(jìn)行擾動(dòng)，以構(gòu)建導(dǎo)致事故行為的場(chǎng)景，因此對(duì)抗性強(qiáng)化學(xué)習(xí)可以幫助AV 更好地應(yīng)對(duì)異常、復(fù)雜或危險(xiǎn)的道路條件。

Feng[19]等通過(guò)訓(xùn)練背景車學(xué)習(xí)在駕駛過(guò)程中執(zhí)行對(duì)抗性駕駛動(dòng)作，構(gòu)建用于智能測(cè)試的測(cè)試場(chǎng)景，首先將場(chǎng)景分為自然駕駛場(chǎng)景和對(duì)抗性測(cè)試場(chǎng)景，分別采用重要性采樣、蒙特卡洛采樣的數(shù)據(jù)驅(qū)動(dòng)方法模擬背景車的自然行為模式以生成對(duì)抗性測(cè)試場(chǎng)景，該方法兼顧了測(cè)試準(zhǔn)確性與建模復(fù)雜度，并經(jīng)高速公路模擬駕駛驗(yàn)證，相比于自然場(chǎng)景對(duì)抗性場(chǎng)景大幅加速了測(cè)試過(guò)程。Behzadan[20]等提出一種基于強(qiáng)化學(xué)習(xí)的測(cè)試框架，用于在邊緣場(chǎng)景（訓(xùn)練得到的最優(yōu)對(duì)抗器可使被測(cè)系統(tǒng)進(jìn)入危險(xiǎn)狀態(tài))中測(cè)試AV 的運(yùn)動(dòng)規(guī)劃能力和避撞能力。結(jié)果表明該方法適用于測(cè)試邊緣場(chǎng)景下的駕駛行為，且經(jīng)訓(xùn)練的對(duì)抗器可以有效定量測(cè)量AV。

因?yàn)锳RL需要同時(shí)訓(xùn)練代理與對(duì)手，相較于傳統(tǒng)的單模型訓(xùn)練，其計(jì)算復(fù)雜度大大增加，并且由于訓(xùn)練對(duì)象之間的相互影響，訓(xùn)練過(guò)程會(huì)出現(xiàn)不穩(wěn)定現(xiàn)象，導(dǎo)致僅得到局部最優(yōu)解，使訓(xùn)練過(guò)程更加困難、費(fèi)時(shí)。

2.2 方法總結(jié)

本部分系統(tǒng)梳理了部分虛擬測(cè)試場(chǎng)景構(gòu)建方法的研究進(jìn)展及應(yīng)用情況，并對(duì)這些方法進(jìn)行具體分析和總結(jié)，結(jié)果表明：

（1）優(yōu)化搜索和聚類分析為交互性較低的場(chǎng)景構(gòu)建方法，主要用于驗(yàn)證在常規(guī)情況下AV的安全性能，限制條件固定，交通狀態(tài)較簡(jiǎn)單，多涉及常見(jiàn)的安全場(chǎng)景，覆蓋交通情形完善，具有一定普適性。

（2）標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)和對(duì)抗性強(qiáng)化學(xué)習(xí)為交互性較高的場(chǎng)景構(gòu)建方法，具備較高的邊緣性和動(dòng)態(tài)性，對(duì)AV 的決策能力、緊急情況應(yīng)對(duì)能力要求較高，具備很強(qiáng)的不確定性，適用于挖掘潛在的安全風(fēng)險(xiǎn)，測(cè)試AV的實(shí)際安全邊界，對(duì)于AV的測(cè)試認(rèn)證有重要意義。

3 場(chǎng)景構(gòu)建方法評(píng)價(jià)及適用性分析

當(dāng)前自動(dòng)駕駛測(cè)試評(píng)價(jià)標(biāo)準(zhǔn)體系仍不完善，無(wú)法支撐虛擬測(cè)試場(chǎng)景構(gòu)建方法的合理適用，針對(duì)這一問(wèn)題，本部分在前文總結(jié)分析各類方法的基礎(chǔ)上，對(duì)各類方法進(jìn)行評(píng)價(jià)，以分析各方法對(duì)于不同主體的適用性。

3.1 場(chǎng)景構(gòu)建方法評(píng)價(jià)

測(cè)試場(chǎng)景構(gòu)建方法的評(píng)價(jià)內(nèi)容包括經(jīng)濟(jì)性、效率、適用性、安全性等，而現(xiàn)階段自動(dòng)駕駛測(cè)試的核心問(wèn)題仍然是安全問(wèn)題。覆蓋度指要素種類、數(shù)量、屬性組成不同的場(chǎng)景數(shù)量，與主車的魯棒性、適應(yīng)性相關(guān)；邊緣性強(qiáng)的方法可構(gòu)建已有場(chǎng)景難度范圍之外的邊緣性場(chǎng)景；真實(shí)性則是在符合物理規(guī)律的前提下，場(chǎng)景的道路情況、交通組成、天氣等方面與真實(shí)道路環(huán)境的相似程度。這三方面能較好地代表場(chǎng)景的安全可靠性，因此本部分從這三個(gè)角度出發(fā)，結(jié)合前文討論內(nèi)容對(duì)各類場(chǎng)景構(gòu)建方法對(duì)比分析。

（1）聚類分析從真實(shí)自然、事故數(shù)據(jù)中建立場(chǎng)景要素之間的關(guān)系，聚類出典型場(chǎng)景，覆蓋度較廣，構(gòu)建場(chǎng)景真實(shí)性好，置信度高，但現(xiàn)有數(shù)據(jù)中復(fù)雜場(chǎng)景較少，因此該方法邊緣性不高。

（2）優(yōu)化搜索方法則利用真實(shí)道路數(shù)據(jù)，通過(guò)在場(chǎng)景空間中尋找罕見(jiàn)或極端的邊界構(gòu)建場(chǎng)景，因此邊緣性較好，但考慮復(fù)雜問(wèn)題時(shí)搜索空間難以確定，真實(shí)度不能保證，覆蓋度一般。

（3）標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)可以進(jìn)行個(gè)性化場(chǎng)景構(gòu)建，根據(jù)自動(dòng)駕駛的特定需求精準(zhǔn)的評(píng)估車輛，并且適應(yīng)性強(qiáng)，真實(shí)性、邊緣性高，但計(jì)算復(fù)雜度過(guò)高，難以進(jìn)行大批量測(cè)試，覆蓋度不高。

（4）對(duì)抗性強(qiáng)化學(xué)習(xí)在交互性方面表現(xiàn)優(yōu)秀，由于它們更注重探索策略以模擬異常情況，因此有著更好的邊緣性，以實(shí)現(xiàn)更加智能、自主性強(qiáng)的自動(dòng)駕駛決策系統(tǒng)，創(chuàng)建的場(chǎng)景更具挑戰(zhàn)性和復(fù)雜性，但也需要大量的計(jì)算來(lái)訓(xùn)練模型，難以繼續(xù)大批量測(cè)試，導(dǎo)致覆蓋度不高。具體評(píng)價(jià)結(jié)果如圖2所示。

圖2 評(píng)價(jià)結(jié)果柱狀圖Figurg 2 Histogram of evaluation results

3.2 構(gòu)建方法與不同測(cè)試主體適用性分析

在分析不同測(cè)試主體特點(diǎn)及安全性目標(biāo)的基礎(chǔ)上，根據(jù)已整理構(gòu)建方法的特點(diǎn)及評(píng)價(jià)結(jié)果，進(jìn)行不同主體測(cè)試需求與構(gòu)建方法間的適用性分析。需要說(shuō)明的是，本文研究的不是某一特定具體文獻(xiàn)，而是一類方法對(duì)于自動(dòng)駕駛測(cè)試需求的適用，這種適用不代表否定其他方法，而是代表該類方法相比于其他方法更能滿足某一測(cè)試主體的特定需求。具體分析結(jié)果如下表2所示。

表2 本文分類方法與不同測(cè)試主體適用性分析Table 2 Classification Method and Applicability Analysis for Different Test Subjects in this paper

4 總結(jié)與啟示

本文研究了不同測(cè)試需求與各虛擬場(chǎng)景構(gòu)建方法的適用性，對(duì)各類方法的現(xiàn)狀、優(yōu)缺點(diǎn)進(jìn)行了綜合分析，提出了真實(shí)性、邊緣性、覆蓋度三個(gè)指標(biāo)進(jìn)行評(píng)價(jià)，并針對(duì)不同測(cè)試主體的需求進(jìn)行對(duì)應(yīng)的適應(yīng)性分析。研究結(jié)果表明針對(duì)性的場(chǎng)景構(gòu)建方法能夠有效滿足安全測(cè)試需求。聚類分析方法能夠構(gòu)建各種類型測(cè)試場(chǎng)景，覆蓋大部分場(chǎng)景，幫助汽車制造研發(fā)企業(yè)進(jìn)行大規(guī)模測(cè)試，提高其測(cè)試研發(fā)效率，對(duì)于政府機(jī)構(gòu)，聚類分析能夠幫助其評(píng)估日常場(chǎng)景的風(fēng)險(xiǎn)等級(jí)；優(yōu)化搜索可幫助研發(fā)機(jī)構(gòu)發(fā)現(xiàn)特定駕駛情形中潛在的安全風(fēng)險(xiǎn)，提高研發(fā)車輛的安全等級(jí)，對(duì)于第三方測(cè)試機(jī)構(gòu)，優(yōu)化搜索因其搜索空間的針對(duì)性，在測(cè)試特定功能如識(shí)別、緊急制動(dòng)等功能方面表現(xiàn)良好；標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)、對(duì)抗性強(qiáng)化學(xué)習(xí)能夠構(gòu)建真實(shí)性強(qiáng)、邊緣性強(qiáng)的測(cè)試場(chǎng)景，幫助車輛研發(fā)企業(yè)在復(fù)雜、危險(xiǎn)情形下驗(yàn)證自動(dòng)駕駛車輛的綜合安全性能，政府機(jī)構(gòu)也能借助它們進(jìn)行危險(xiǎn)場(chǎng)景標(biāo)準(zhǔn)確定，對(duì)于第三方測(cè)試機(jī)構(gòu)，能夠幫助發(fā)現(xiàn)測(cè)試車輛的安全風(fēng)險(xiǎn)及漏洞。

在研究過(guò)程中，還發(fā)現(xiàn)各類方法的應(yīng)用還存在一些不足，主要體現(xiàn)在兩個(gè)方面。一方面數(shù)據(jù)集質(zhì)量難以支撐測(cè)試，已有數(shù)據(jù)集在完整性、真實(shí)性等方面質(zhì)量不一，影響測(cè)試結(jié)果，聚類分析、強(qiáng)化學(xué)習(xí)等數(shù)據(jù)驅(qū)動(dòng)方法可以顯著提高測(cè)試的真實(shí)性，這些方法的有效性高度依賴數(shù)據(jù)集質(zhì)量；另一方面關(guān)于虛擬測(cè)試置信度的研究有待加強(qiáng)，置信度代表虛擬測(cè)試結(jié)果與實(shí)際情況的差異，現(xiàn)有研究側(cè)重于測(cè)試需求而忽略了真實(shí)性，異構(gòu)交通主體動(dòng)力學(xué)模型過(guò)于簡(jiǎn)化、參數(shù)標(biāo)定不準(zhǔn)確，以及復(fù)雜交通流特征難以精準(zhǔn)刻畫及復(fù)現(xiàn)，對(duì)測(cè)試的置信度影響較為嚴(yán)重。

為了更好的加速自動(dòng)駕駛測(cè)試研究，助推自動(dòng)駕駛車輛盡快商業(yè)化落地，未來(lái)還應(yīng)進(jìn)一步彌補(bǔ)現(xiàn)有測(cè)試漏洞。通過(guò)對(duì)測(cè)試主體及方法適配性的研究，發(fā)現(xiàn)尚有關(guān)鍵需求未能被滿足，如汽車制造研發(fā)企業(yè)的安全性標(biāo)準(zhǔn)測(cè)試缺乏時(shí)效性，自動(dòng)駕駛車輛的不同應(yīng)用階段對(duì)于自動(dòng)駕駛車輛的安全標(biāo)準(zhǔn)和認(rèn)證會(huì)存在差異，面對(duì)這種問(wèn)題，企業(yè)應(yīng)積極關(guān)注并參與標(biāo)準(zhǔn)的制定，靈活調(diào)整自己的研發(fā)測(cè)試策略，提高安全性研發(fā)測(cè)試的可變性和普適性，確保研發(fā)測(cè)試成果符合最新的標(biāo)準(zhǔn)要求。如聚類分析方法在構(gòu)建場(chǎng)景過(guò)程中易出現(xiàn)分類標(biāo)準(zhǔn)不清晰的情況，導(dǎo)致場(chǎng)景分類不規(guī)范，未來(lái)應(yīng)加強(qiáng)分類算法研究，以提高測(cè)試的準(zhǔn)確性及有效性。